論文の概要: NEXT: Reasoning-Driven Video Recommendation via a Vision-Language Model

• arxiv url: http://arxiv.org/abs/2607.24789v1
• Date: Sat, 27 Jun 2026 06:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.067299
• Title: NEXT: Reasoning-Driven Video Recommendation via a Vision-Language Model
• Title（参考訳）: NEXT:ビジョンランゲージモデルによる推論駆動型ビデオレコメンデーション
• Abstract要約: Next-interest Exploration Transformerは推論駆動のビデオレコメンデーションフレームワークである。 Next-8Bは、3段階のレシピを持つ目的訓練された8B視覚言語モデルである。 次に、+0.53%の視聴時間と+0.51%の異なるビデオ露出を含む統計的に有意な生産増加を示す。
• 参考スコア（独自算出の注目度）: 8.612187834047418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present NEXT (Next-interest EXploration Transformer), a reasoning-driven video recommendation framework that reasons over the video a user has just watched, infers the viewer's next intent, and retrieves concrete follow-up videos. Explicit continuations such as episodes are linked directly; implicit cases are handled by generating intent queries and searching for matching candidates. This Item-to-Intent-to-Item formulation produces directed recommendations beyond co-engagement correlation or semantic similarity. To make this framework reliable at scale, we train NEXT-8B, a purpose-trained 8B vision-language model with a three-stage recipe: Perception-Enhanced Reinforcement Learning for query-agnostic evidence extraction, Distribution-Aligned Supervised Fine-Tuning over real and synthetic visual QA mixtures, and Group Relative Policy Optimization for last-mile alignment. NEXT-8B achieves the best single-model DocVQA performance, ranking second overall only behind a multi-agent system while surpassing a substantially larger 200B+ scale model, and improves next-intent logic-wise quality by 3.3% over the base model in a task-specific LLM-as-a-judge evaluation. We deploy NEXT as an additional retrieval path in a large-scale social media recommendation system and observe statistically significant production gains, including +0.53% watch time and +0.51% distinct video exposure. Overall, NEXT shows that a carefully trained compact vision-language model can serve as a practical reasoning engine for next-interest exploration at production scale.
• Abstract（参考訳）: NEXT(Next-interest Exploration Transformer)は,ユーザが視聴したビデオに対して推論を行い,視聴者の次の意図を推測し,具体的なフォローアップビデオを取得する推論駆動型ビデオレコメンデーションフレームワークである。 エピソードなどの明示的な継続は直接リンクされ、暗黙のケースはインテントクエリを生成し、一致する候補を検索することで処理される。 このアイテム・ツー・インテント・ツー・アイテムの定式化は、コエンゲージメントの相関やセマンティックな類似性を超えた直接的なレコメンデーションを生成する。 このフレームワークを大規模に信頼性の高いものにするために,3段階のレシピを用いた目的学習8Bビジョン言語モデルであるNEXT-8Bをトレーニングする。 NEXT-8Bは最高のシングルモデルDocVQA性能を達成し、マルチエージェントシステムの中では総合的に第2位となり、200B以上のスケールモデルを大きく上回り、タスク固有のLCM-as-a-judge評価において、ベースモデルよりも3.3%向上する。 我々は,大規模なソーシャルメディアレコメンデーションシステムにおいて,NEXTを付加的な検索経路として展開し,+0.53%の視聴時間と+0.51%の視聴時間を含む統計的に有意な生産ゲインを観測した。 全体として、NEXTは、注意深く訓練されたコンパクトな視覚言語モデルが、生産規模での次なる関心の探索のための実用的な推論エンジンとして機能することを示している。

関連論文リスト

• Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
  Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。 データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
  論文  参考訳（メタデータ） (2026-04-06T17:59:56Z)
• RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval [99.33724613432922]
  本稿では,ビデオ検索のための推論に基づくリランカであるRANKVIDEOを紹介する。 RANKVIDEOは、関連性を評価するためにビデオコンテンツを使用するクエリ-ビデオペアを明示的に理由付けている。 大規模なMultiVENT 2.0ベンチマークの実験では、RANKVIDEOは2段階のフレームワーク内での検索性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-02-02T18:40:37Z)
• Beyond Isolated Facts: Synthesizing Narrative and Grounded Supervision for VideoQA [37.679936989592996]
  よりリッチな監視信号を合成するためのフレームワークを導入する。 質問ベースパラフレーズ(QBP)と質問ベースキャプション(QBC)の2つの補完戦略を提案する。
  論文  参考訳（メタデータ） (2025-09-29T08:28:44Z)
• ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
  ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。 推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。 12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
  論文  参考訳（メタデータ） (2025-06-02T04:23:21Z)
• STEP: Enhancing Video-LLMs' Compositional Reasoning by Spatio-Temporal Graph-guided Self-Training [87.58996020705258]
  Video Large Language Models (Video-LLMs) は近年,ビデオ理解タスクに強い派生性を示している。 ビデオLLMは、多段階の明示的時間的推論を必要とする構成的推論と、オブジェクトの関係、相互作用、イベントに苦労する。 本稿では,ビデオLLMが生ビデオから推論に富んだ微調整データを生成し,自己改善を実現するための,グラフ誘導型自己学習手法STEPを提案する。
  論文  参考訳（メタデータ） (2024-11-29T11:54:55Z)
• Enhancing Sequential Recommender with Large Language Models for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の累積増加率は4.13%に達した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• Video-Bench: A Comprehensive Benchmark and Toolkit for Evaluating Video-based Large Language Models [81.84810348214113]
  ビデオベースの大規模言語モデル(Video-LLMs)が最近導入され、認識と理解の基本的な改善と多様なユーザからの問い合わせの両方をターゲットにしている。 このようなモデルの開発を導くため、堅牢で包括的な評価システムの構築が重要となる。 本稿では,ビデオLLMの評価に特化して設計されたツールキットとともに,新しい総合的なベンチマークであるtextitVideo-Benchを提案する。
  論文  参考訳（メタデータ） (2023-11-27T18:59:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。